Stata: Datenanalyse und statistische Software Kristin MacDonald, StataCorp Schätzung Befehle bieten einen t-Test oder z-Test für die Null-Hypothese, dass ein Koeffizient gleich Null ist. Der Testbefehl kann Wald-Tests für einfache und zusammengesetzte lineare Hypothesen auf die Parameter durchführen, aber diese Wald-Tests sind auch auf Tests der Gleichheit beschränkt. Einseitige t-Tests Um einseitige Tests durchzuführen, können Sie zuerst den entsprechenden zweiseitigen Wald-Test durchführen. Dann können Sie mit den Ergebnissen die Teststatistik und den p-Wert für den einseitigen Test berechnen. Letrsquos sagen, dass Sie die folgende Regression durchführen: Wenn Sie möchten, dass der Koeffizient auf Gewicht zu testen. Beta-Gewicht. Negativ (oder positiv) ist, können Sie mit der Durchführung des Wald-Tests für die Nullhypothese beginnen, dass dieser Koeffizient gleich Null ist. Der hier gegebene Wald-Test ist ein F-Test mit 1 Zähler-Freiheitsgrad und 71 Nenner-Freiheitsgraden. Die Studentrsquos-t-Verteilung steht in direktem Zusammenhang mit der F-Verteilung, da das Quadrat der Studentrsquos-t-Verteilung mit d Freiheitsgraden der F-Verteilung mit 1 Zähler-Freiheitsgrad und d-Nenner-Freiheitsgraden äquivalent ist. Solange der F-Test einen Freiheitsgrad von 1 Zählern aufweist, ist die Quadratwurzel der F-Statistik der absolute Wert der t-Statistik für den einseitigen Test. Um zu bestimmen, ob diese t-Statistik positiv oder negativ ist, müssen Sie feststellen, ob der eingestellte Koeffizient positiv oder negativ ist. Dazu können Sie die Funktion sign () verwenden. Anschließend können Sie mit den Funktionen ttail () zusammen mit den zurückgegebenen Ergebnissen aus dem Testbefehl die p-Werte für die einseitigen Tests auf folgende Weise berechnen: Im speziellen Fall, bei dem Sie daran interessiert sind, ob ein Koeffizient vorliegt Größer als, kleiner oder gleich null, können Sie die p-Werte direkt aus der Regressionsausgabe berechnen. Wenn der geschätzte Koeffizient positiv ist, wie für das Gewicht. Können Sie dies wie folgt durchführen: p-Wert 0,008 (angegeben in der Regressionsausgabe) p-Wert 0.5672 0.284 Andererseits, wenn Sie einen Test wie H 0 durchführen möchten. Beta Gewicht lt 1, können Sie den p-Wert nicht direkt aus den Regressionsergebnissen berechnen. Hier musst du zuerst den Waldtest durchführen. Einseitige z-Tests In der Ausgabe für bestimmte Schätzbefehle finden Sie, dass z Statistik anstelle von t Statistik gemeldet wird. In diesen Fällen erhalten Sie, wenn Sie den Testbefehl verwenden, einen Chi-Quadrat-Test anstatt eines F-Tests. Die Beziehung zwischen der Standard-Normalverteilung und der Chi-Quadrat-Verteilung ist ähnlich der Beziehung zwischen der Studentrsquos-t-Verteilung und der F-Verteilung. Tatsächlich ist die Quadratwurzel der Chi-Quadrat-Verteilung mit einem Freiheitsgrad die normale Normalverteilung. Daher können einseitige z-Tests ähnlich wie bei einseitigen t-Tests durchgeführt werden. Beispiel: Hier gibt der Testbefehl r (chi2) zurück. Die zusammen mit der normalen () - Funktion zur Berechnung der entsprechenden p-Werte verwendet werden können. Schließlich, wenn Sie einen Test der Ungleichung für zwei Ihrer Koeffizienten, wie H 0 durchführen möchten. Beta age gt beta grade. Würden Sie zuerst den folgenden Wald-Test durchführen: Berechnen Sie dann den entsprechenden p-Wert: Wieder ist dieser Ansatz (Durchführung eines Wald-Tests und Verwendung der Ergebnisse zur Berechnung des p-Wertes für einen einseitigen Test) nur dann sinnvoll, wenn der Wald F Statistik hat 1 Freiheitsgrad im Zähler oder die Wald chi-Quadrat Statistik hat 1 Freiheitsgrad. Die Verteilungsbeziehungen, die oben diskutiert werden, sind nicht gültig, wenn diese Freiheitsgrade größer sind als 1.Willkommen zum Institut für digitale Forschung und Ausbildung Stata FAQ Wie kann ich Regressionskoeffizienten über 3 (oder mehr) Gruppen vergleichen Manchmal kann Ihre Forschung voraussagen, dass die Größe Eines Regressionskoeffizienten können in Gruppen variieren. Zum Beispiel könnten Sie glauben, dass der Regressionskoeffizient der Höhenprognose Gewicht unterscheiden sich über 3 Altersgruppen (jung, mittleres Alter, Senioren). Unten haben wir eine Datendatei mit 10 fiktiven jungen Leuten, 10 fiktiven Mittelalterleuten und 10 fiktiven Senioren, zusammen mit ihrer Höhe in Zoll und ihrem Gewicht in Pfund. Das variable Alter gibt die Altersgruppe an und ist für Jugendliche, 2 für Mittelalter und 3 für Senioren codiert. Wir analysieren ihre Daten separat mit dem Regress-Befehl unten nach der ersten Sortierung nach Alter. Die Parameterschätzungen (Koeffizienten) für das Jugendliche, das mittlere Alter und die Senioren sind unten gezeigt, und die Ergebnisse scheinen darauf hinzudeuten, dass die Höhe ein stärkerer Prädiktor für das Gewicht für Senioren ist (3,18) als für das mittlere Alter (2,09). Die Ergebnisse scheinen auch darauf hinzudeuten, dass die Höhe das Gewicht nicht so stark für die Jugend (-37) wie für die mittleren Altersgruppen und Senioren prognostiziert. Wir müssten jedoch spezifische Signaltests durchführen, um die Unterschiede zwischen diesen Regressionskoeffizienten beurteilen zu können. Wir können die Regressionskoeffizienten unter diesen drei Altersgruppen vergleichen, um die Nullhypothese zu testen, wobei B 1 die Regression für die Jugend ist, B 2 die Regression für das mittlere Alter ist und B 3 die Regression für ältere Bürger ist. Um diese Analyse durchzuführen, stellen wir zunächst eine Dummy-Variable mit dem Namen age1 ein, die codiert 1 ist, wenn young (age1), 0 andernfalls und age2, die 1 codiert, wenn middle aged (age2), 0 sonst. Wir schaffen auch age1ht, dass age1 mal Höhe ist. Und age2ht, dass age2 mal Höhe ist. Wir können jetzt age1 age2 Höhe. Age1ht und age2ht als Prädiktoren in der Regressionsgleichung im Regressbefehl unten. Dem Regressbefehl folgt der Befehl: der die Nullhypothese prüft: Dieser Test wird 2 df haben, da er 3 Regressionskoeffizienten vergleicht. Die folgende Analyse zeigt, dass die Nullhypothese verworfen werden kann (F17.29, p 0.0000). Das bedeutet, dass sich die Regressionskoeffizienten zwischen Körpergröße und Gewicht in den drei Altersgruppen (Junges, Mittelalter, Senioren) tatsächlich unterscheiden. Beachten Sie, dass wir alle Variablen manuell erstellt haben, um es sehr deutlich zu machen, was jede Variable repräsentiert. Jedoch im täglichen Gebrauch, würden Sie wahrscheinlich eher das xi-Präfix verwenden, um die Dummy-Variablen und Interaktionen für Sie zu generieren. Beispielsweise können Sie jedoch sehen, dass in diesem Beispiel die erste Altersgruppe die weggelassene Gruppe ist, wobei zuvor die dritte Gruppe die weggelassene Gruppe war. Wir können den char-Befehl verwenden (siehe unten), um anzuzeigen, dass die dritte Gruppe die ausgelassene Gruppe sein soll, und führen dann die Analyse erneut aus. Der Inhalt dieser Website sollte nicht als eine Bestätigung für eine bestimmte Website, ein Buch oder ein Softwareprodukt der Universität von Kalifornien verstanden werden.
No comments:
Post a Comment